ニューラルアーキテクチャサーチ（NAS）は、オブジェクト再識別（ReID）の分野でますます注目を集めています。タスク固有のアーキテクチャは検索性能を大幅に向上させるためです。これまでの研究では、NAS ReID向けの新しい最適化目標や探索空間が探求されてきましたが、画像分類とReIDの学習スキームの違いが軽視されていました。本研究では、ReIDアーキテクチャ探索により適切な教師付けを提供する新たなツインズコントラスティブメカニズム（TCM）を提案します。TCMは訓練データと検証データ間のカテゴリ重複を削減し、NASが実世界のReID学習スキームを模倣するのに役立ちます。さらに、多尺度特徴間での合理的な相互作用を探るためのマルチスケールインタラクション（MSI）探索空間を設計しました。また、異なるソースからの画像に対する注意の一貫性を高めるために、空間アライメントモジュール（SAM）を導入しました。提案されたNASスキームに基づき、自動的に特定のアーキテクチャが探索され、「MSINet」と名付けられました。広範な実験結果から、当手法はドメイン内およびクロスドメインシナリオにおいて最先端のReID手法を超えることが示されました。ソースコードは https://github.com/vimar-gu/MSINet で利用可能です。